Función de pérdida

Infografía de función de pérdida

📉 ¿Qué está optimizando realmente tu modelo?

Comparto esta infografía sobre un concepto clave en machine learning: la función de pérdida (loss function) 👇

🧠 Idea clave

Entrenar un modelo no es “aprender sin más”…
👉 es minimizar el error de forma sistemática

🔍 Qué se ve en la imagen

• 📦 Clasificación binaria (Clase A vs Clase B)
• ❌ Ejemplos de errores: falsos positivos y falsos negativos
• 📉 Evolución de la pérdida (train vs validation)
• 📐 Funciones de pérdida: Binary Cross-Entropy, MSE, Huber
• 🗺️ Paisaje de pérdida y proceso de optimización

⚠️ El matiz importante

No todas las funciones de pérdida se comportan igual:

• Algunas penalizan más los errores grandes
• Otras son más robustas frente a outliers
• La elección impacta directamente en el resultado final

👉 No es solo entrenar… es cómo entrenas

💡 Conclusión

La función de pérdida define el objetivo del modelo:

• 📉 Marca qué significa “equivocarse”
• 🎯 Guía el proceso de aprendizaje
• ⚙️ Determina cómo se ajustan los parámetros

Si trabajas con modelos, entender esto cambia completamente cómo interpretas el entrenamiento 👇